Deutschsprachige Python-Referenz

Tip

Die HTML-Version der Python-Referenz ist hier abrufbar:

cgroening.github.io/Python-Referenz/

📚 Über dieses Projekt

Diese Python-Referenz ist eine umfassende Sammlung von Konzepten, Best Practices und praktischen Beispielen für Python-Entwickler aller Erfahrungsstufen. Von grundlegenden Datentypen bis zu fortgeschrittenen Themen wie Performance-Optimierung, Data Science und modernen Entwicklungs-Tools.

Zielgruppe:

• Python-Anfänger, die bereits eine andere Programmiersprache beherrschen und eine strukturierte Einführung suchen
• Erfahrene Entwickler, die ihr Wissen vertiefen produktionsreifen Code schreiben wollen

Um die Themen aktuell zu halten, wird diese Referenz laufend aktualisiert. Hinweise zu Tipp- oder Grammatikfehlern, fehlerhaften Code-Beispielen, veralteten Informationen und fehlenden Themen sind willkommen!

🎯 Highlights

• ✅ 7 thematische Teile mit über 40 Kapiteln
• ✅ Deutsche Sprache, weil komplexe Konzepte in der Muttersprache verständlicher sind
• ✅ Praktische Code-Beispiele zu jedem Konzept
• ✅ Durchsuchbar und übersichtlich strukturiert
• ✅ Best Practices und Anti-Patterns

📖 Inhalt

Teil I: Grundlagen

Themen: Datentypen, Kontrollstrukturen, Funktionen, Ein-/Ausgabe, Fehlerbehandlung Zielgruppe: Python-Umsteiger
Lernziel: Python-Syntax verstehen, einfache Programme schreiben

Teil II: Objektorientierung & Fortgeschrittene Konzepte

Themen: OOP, Decorators, Closures, Type Hints, Speicherverhalten, Kontext-Manager Zielgruppe: Python-Entwickler mit Grundwissen
Lernziel: Sauberen, wartbaren Code schreiben

Teil III: Testing & Performance

Themen: Debugging, Unit Tests (pytest), Profiling, Cython, Numba, PyPy, PyO3, Multithreading Zielgruppe: Entwickler, die produktionsreifen Code schreiben
Lernziel: Fehlerfreien, performanten Code entwickeln

Teil IV: Entwicklungsworkflow & Tooling

Themen: Module/Pakete, Import-System, Linting (Ruff), Poetry, pyproject.toml, PyInstaller, Dokumentation Zielgruppe: Entwickler, die eigene Pakete erstellen
Lernziel: Professionelle Projekt-Struktur und Distribution

Teil V: Anwendungsgebiete

Themen: Netzwerk & APIs (requests, FastAPI), Datenbanken (SQLAlchemy), PyScript Zielgruppe: Entwickler, die konkrete Anwendungen entwickeln
Lernziel: Web-Apps, APIs, Datenbank-Anwendungen erstellen

Teil VI: Data Science & Machine Learning

Themen: NumPy, Pandas, Matplotlib, Seaborn Zielgruppe: Angehende Data Scientists, Analysten
Lernziel: Daten analysieren, visualisieren, ML-Modelle trainieren

📝 Geplante Inhalte

TEIL VII: INTERAKTIVE ANWENDUNGEN UND BENUTZEROBERFLÄCHEN

• Jupyter-Notebooks
• CLI mit argparse
• TUI mit textual
• GUI mit Tkinter
• GUI mit Qt (PyQt und PySide)

TEIL VIII: WEB-ENTWICKLUNG

• Django
• Flask
• FastAPI

🚀 Schnellstart

Online lesen

Die Dokumentation ist als HTML-Seite verfügbar:

👉 Python-Referenz lesen